【技术实现步骤摘要】
本专利技术涉及主动流动控制领域，具体地说，是一种基于深度强化学习的方柱涡激振动主动流动控制方法。
技术介绍
1、涡激振动是风工程中的一种常见现象，由于漩涡的脱落，处于流动流体中的弹性体或者弹性连接的物体会受到流体力，从而导致振动。涡激振动可能对工程结构的安全性和可靠性构成重大威胁，尤其当身体的振动频率落在一定范围内时，会发生共振，导致振动幅度显着增加。因此，降低结构的涡激振动对于确保工程结构的安全性和可靠性至关重要。
2、主动流动控制是一种用于通过使用外部能量输入和控制系统来修改流动特性(例如速度、压力或湍流)来操纵物体周围流体流动的技术，其由于复杂的流动条件，开发稳健高效的主动流动控制策略仍然是一个巨大的挑战。
3、深度强化学习是机器学习的一个分支，专注于开发能够在经验学习的基础上，在动态环境中做出决策的算法。深度强化学习使用试错策略，通过接收奖励或惩罚形式的反馈来学习，并通过不断的试验来最大化未来的奖励。大量研究已经证明了深度强化学习在解决流体力学领域的非线性和高维问题方面的优势和巨大潜力。
技术实现思路
1、本专利技术的目的在于克服现有的主动流动控制技术不足，适应现实需求，提供一种基于深度强化学习的方柱涡激振动主动流动控制方法。
2、本专利技术是通过以下技术方案实现的：
3、一种基于深度强化学习的方柱涡激振动主动流动控制方法，首先、建立数值模拟模型，建立目标对象的流体动力学模型，这一过程将使用计算流体动力学cfd软件openfo
4、本专利技术各算法功能及基本原理：
5、计算流体动力学(computational fluid dynamics，cfd)是一种数值仿真技术，用于研究流体流动、传热和质量传递等现象，它通过将流体领域分成离散的网格单元，然后应用数学方程来模拟流体内部的运动和相互作用。
6、openfoam是一款免费且开源的cfd软件包，由opencfd ltd.维护和开发，它以其灵活性、可扩展性和强大的求解能力而闻名，openfoam提供了广泛的求解器，可用于模拟各种流体动力学问题，从稳态到非稳态、从不可压缩到可压缩流等等，用户可以使用openfoam的工具进行几何建模、网格生成、模拟设置和后处理分析。
7、深度强化学习(deep reinforcement learning，drl)算法是一种能够使智能体从与环境的互动中学习并自主制定最佳决策策略的机器学习方法，其核心原理包括建立一个学习代理，该代理通过观察环境状态、选择动作并接收奖励来不断改进其行为，以最大化累积奖励，这种算法适用于解决需要复杂决策制定的问题，如游戏、自动驾驶、机器人控制以及金融领域的优化，它的功能在于通过试错和经验积累，使智能体能够从不断的尝试中提高其性能，解决多种现实世界的挑战。
8、具体地说，包括以下步骤：
9、步骤一、对目标进行几何建模，设定包括形状、尺寸等参数，然后在此基础上进行网格划分，之后配置open foam求解器，包括边界条件、物理模型、数值算法等设置，最后，还需要对数值模型的精度进行验证，用实验数据或者已有文献进行比较，确保模型的准确性，流动的数值模拟由任意拉格朗日欧拉方案形式下的二维不可压缩纳维-斯托克斯(navier-stokes，ns)方程控制，如公式(1)和(2)所示：
10、
11、
12、式中，u为来流速度，us为移动表面的速度，s为控制体边界面，p为压强，ρ为流体密度，ν为流体的运动粘度。
13、步骤二、配置drlinfluids平台，搭建深度强化学习模型，然后在此基础上根据具体问题和控制目标进行平台的二次开发，自定义深度强化学习框架中的状态、动作、奖励函数、代理与环境的交互模式等，最后选定深度强化学习算法、神经网络结构、超参数等变量，以优化模型性能，奖励函数如公式(3)所示：
14、
15、式中，是在一个交互期间t0内没有施加控制的方柱的平均阻力系数，(cd)t代表在一个控制期t内受到控制的方柱的平均阻力系数。
16、步骤三、基于drlinfluids平台，调用深度强化学习算法，开始模型的训练。训练过程包括数值模拟的流场初始化以便为最开始的代理提供初始数据、深度强化学习代理根据初始状态生成动作、动作改变流场形成新的初始状态。通过大量回合的训练，直到奖励函数的收敛，完成模型的训练。
17、本专利技术的有益效果：本专利技术弥补了传统主动流动控制方法中单一和不稳定控制策略的不足之处，通过训练深度强化学习代理，本专利技术能够实现对多种工况下的有效控制，从而增强了其实用性和适用性。
本文档来自技高网...【技术保护点】
1.一种基于深度强化学习的方柱涡激振动主动流动控制方法，其特征在于，包括下列步骤：
2.根据权利要求1所述的基于深度强化学习的方柱涡激振动主动流动控制方法，其特征在于，在所述步骤一中，使用CFD软件Open FOAM建立目标对象的流体动力学数值模拟模型，模型的构建包括几何建模、网格划分和求解器设置步骤。
3.根据权利要求2所述的基于深度强化学习的方柱涡激振动主动流动控制方法，其特征在于，所述步骤一的具体流程为：对目标进行几何建模，设定参数，然后在此基础上进行网格划分，之后配置Open FOAM求解器，最后，对数值模型的精度进行验证，用实验数据或者已有文献进行比较，确保模型的准确性，流动的数值模拟由任意拉格朗日欧拉方案形式下的二维不可压缩纳维-斯托克斯方程控制，如公式(1)和(2)所示：
4.根据权利要求3所述的基于深度强化学习的方柱涡激振动主动流动控制方法，其特征在于，所述步骤二中，使用开源深度强化学习平台DRLinFluids来建立目标对象的深度强化学习模型。
5.根据权利要求4所述的基于深度强化学习的方柱涡激振动主动流动控制方法
6.根据权利要求5所述的基于深度强化学习的方柱涡激振动主动流动控制方法，其特征在于，所述步骤三的具体流程为：基于DRLinFluids平台，调用深度强化学习算法，开始模型的训练，训练过程包括数值模拟的流场初始化以便为最开始的代理提供初始数据、深度强化学习代理根据初始状态生成动作、动作改变流场形成新的初始状态，通过大量回合的训练，直到奖励函数的收敛，完成模型的训练。
...【技术特征摘要】
1.一种基于深度强化学习的方柱涡激振动主动流动控制方法，其特征在于，包括下列步骤：
2.根据权利要求1所述的基于深度强化学习的方柱涡激振动主动流动控制方法，其特征在于，在所述步骤一中，使用cfd软件open foam建立目标对象的流体动力学数值模拟模型，模型的构建包括几何建模、网格划分和求解器设置步骤。
3.根据权利要求2所述的基于深度强化学习的方柱涡激振动主动流动控制方法，其特征在于，所述步骤一的具体流程为：对目标进行几何建模，设定参数，然后在此基础上进行网格划分，之后配置open foam求解器，最后，对数值模型的精度进行验证，用实验数据或者已有文献进行比较，确保模型的准确性，流动的数值模拟由任意拉格朗日欧拉方案形式下的二维不可压缩纳维-斯托克斯方程控制，如公式(1)和(2)所示：
4.根据权利要求3所述的基于深度强化学习的方柱涡激振动主动流动控制方法，其特征在于，所述步骤二中，使用开源深度强...
【专利技术属性】
技术研发人员：胡钢，陈文杰，
申请(专利权)人：哈尔滨工业大学深圳哈尔滨工业大学深圳科技创新研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。